torchsummary和torch-summary的区别

最新推荐文章于 2025-03-31 09:34:11 发布
最新推荐文章于 2025-03-31 09:34:11 发布
阅读量1.6k 收藏 3
点赞数 2
文章标签： pytorch 深度学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41726670/article/details/124794012
版权
本文介绍了torchsummary和torch-summary两个库的区别和使用。它们的基础用法相似，主要用于模型摘要。区别在于安装时torchsummary和torch-summary仅有一字之差，而torch-summary被认为是torchsummary的增强版，提供了如计算量显示等更多功能。通过示例展示了两者不同的输出效果。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

torchsummary和torch_summary的区别


一开始torchsummary 和 torch-summary 傻傻分不清楚。写一篇简单介绍一下吧
推荐使用 torch-summary

同

基础用法都是一样的。

    from torchsummary import summary

    model = Model()
    summary(model,(3,224,224),device='cpu')

异

安装

区别仅仅是一个横线

pip install torchsummary

pip install torch-summary

功能

torch-summary 可以看成torchsummary的加强版。支持更多功能。比如自带输出模型计算量、每层之间有层次感等等

torch-summary 输出

torch-summary 输出
torch-summary 输出

torchsummary 输出

torchsummary 输出

torchsummary 输出

torchsummary的使用
Mrlione的博客
12-02 956
安装torchsummary pip install torchsummary 例子 netE = Encoder(NUM_CHANNELS=3) netG = Generator(NUM_CHANNELS=3, z_dim=1024, z_size=1) netD = Discriminator(NUM_CHANNELS=3, z_dim=1024) netD.to(device) netE.to(device) netG.to(device) summary(netE, input_size=(3,
模型可视化库torch-summary使用
qq_40379977的博客
01-31 3859
torch-summary的简单使用。
Python----机器学习（PyTorch模型可视化：summary，netron，TensorboardX）
最新发布
weixin_64110589的博客
03-31 1172
在PyTorch模型可视化中，可通过torchsummary或torchinfo生成模型结构摘要（如层数、参数统计），利用Netron直观展示ONNX格式模型的模块化结构与数据流，并结合TensorBoardX实时监控训练过程（损失、准确率曲线及计算图），三者分别解决模型解析、拓扑可视化和训练动态追踪需求，形成从静态结构到动态训练的全链路可视化支持。
网络结构可视化——Torch-summary库
Joker 007的博客
10-15 4453
网络结构可视化
torch中的summary
weixin_42618420的博客
03-23 1731
torch中的summary的使用
pytorch 笔记：torchsummary、计算模型参数量
qq_40206371的博客
09-29 5437
作用：打印神经网络的结构 以pytorch笔记：搭建简易CNN_UQI-LIUWJ的博客-CSDN博客中搭建的CNN为例 import torch from torchsummary import summary class CNN(nn.Module): def __init__(self): super(CNN,self).__init__() self.conv1=nn.Sequential( nn.Conv2d( .
pytorch 网络可视化(一)：torchsummary
热门推荐
书山有路，学海无涯！
07-06 5万+
安装 torchsummary 在 Anaconda prompt 中进入自己的 pytorch 环境，安装依赖包。 pip install torchsummary 具体如下所示（其中 pytorch-cpu 是我自己的 pytorch 环境）: 测试是否下载成功 安装完成后运行 python 进入交互式环境，导入 torchsummary, 不报错的话就是安装成功了。 输出网络结构 完成以上步骤后，进入自己的 python编辑环境，运行如下代码。 from torchsummary import
Python库 | torch-summary-1.1.4.tar.gz
04-16
资源分类：Python库 所属语言：Python 资源全名：torch-summary-1.1.4.tar.gz 资源来源：官方 安装方法：https://lanzao.blog.csdn.net/article/details/101784059
torchsummary-1.4.tar.gz
07-01
1. **模型输入/输出可视化**：torchsummary允许用户在训练过程中实时查看模型的输入数据和输出预测，这有助于理解模型的处理方式和预测结果。 2. **中间层特征可视化**：用户可以选定特定层，观察其激活值分布，这...
Python库 | torch-summary-1.1.8.tar.gz
05-24
资源分类：Python库 所属语言：Python 资源全名：torch-summary-1.1.8.tar.gz 资源来源：官方 安装方法：https://lanzao.blog.csdn.net/article/details/101784059
深度学习模型摘要生成工具：torch-summary 1.1.4
安装完成后，开发者就可以在自己的PyTorch项目中引入torch-summary，进而对模型进行查看和分析了。 在使用torch-summary库时，通常需要编写一段Python代码，导入torch模块以及你的模型类，然后通过调用torch_...
torchsummary用法
weixin_50508552的博客
06-05 2270
3. conv1层，in_channel数为3，因为输入的参数的通道数就是3。所以输出大小h= （32+2*1-3）/1 + 1 = 32。），则默认的步幅是等于池化窗口的大小。输出大小为（16+2*1-3）/1 +1 = 16。所以conv1的输出为[-1,16,32,32]所以conv2的输出为[-1,32,16,16]所以max_pool1层的输出为[-1,16,16,16]所以max_pool2层的输出为[-1,32,8,8]max_pool2层后，将其打平，一共的参数数量是32。
【torchsummary】torchsummary 查看网 及 各层输出的 feature map 尺寸 （Pytorch + AlexNet）
weixin_37804469的博客
08-29 1021
【代码】【Pytorch + AlexNet + torchsummary】torchsummary 查看网 及 各层输出的 feature map 尺寸。
PyTorch 打印模型结构、输出维度和参数信息（torchsummary）
梁小憨憨的博客
01-27 1万+
使用 PyTorch 深度学习搭建模型后，如果想查看模型结构，可以直接使用 print(model) 函数打印。但该输出结果不是特别直观，查阅发现有个能输出类似 keras 风格 model.summary() 的模型可视化工具。这里记录一下方便以后查阅。
torchsummary 简单使用
scar2016的博客
03-09 1227
文章目录1. torchsummary2. 代码3. 结果 1. torchsummary 听说是一个大神写的开源插件，实在是太牛逼了，以前只有TensorFlow有，现在pytorch也有了。 torchsummay_github链接 2. 代码 # -*- coding: utf-8 -*- # @Project: zc # @Author: zc # @File name: device_test # @Create time: 2022/3/9 8:45 import torch from torc
PyTorch-模型可视化工具TorchSummary
周先森爱吃素的博客
10-26 2万+
本文介绍PyTorch的一个模型可视化工具TorchSummary及其使用教程。
使用torchsummary计算Pytorch模型中间层的维度以及预估需要多少内存进行训练
莫比的博客
03-28 786
使用torchsummary计算Pytorch模型中间层的维度以及预估需要多少内存进行训练
【模型复杂度】torchsummary、torchstat和profile的使用
风巽·剑染春水的博客
04-24 3637
模型的复杂度分析也是不同模型比较的重要指标，包括模型参数、浮点运算次数（Floating point operations，FLOPs），内存占用和运存占用等，记录一下可以评价模型复杂度的方法。
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值